دوره 27، شماره 1 - ( بهار 1404 )                   جلد 27 شماره 1 صفحات 90-73 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Bazeli Mahbob F, Safari M S, Vahabi A. Modeling the role of specific inhibitory cells in the processing of visual stimuli. Advances in Cognitive Sciences 2025; 27 (1) :73-90
URL: http://icssjournal.ir/article-1-1739-fa.html
باذلی محبوب فاطمه، صفری میرشهرام، وهابی عبدالحسین. مدل‌سازی نقش سلول‌های اختصاصی مهاری در پردازش محرک‌های بینایی. تازه های علوم شناختی. 1404; 27 (1) :73-90

URL: http://icssjournal.ir/article-1-1739-fa.html


1- مدل‌سازی شناختی، دانشگاه شهید بهشتی، تهران، ایران
2- استادیار مرکز تحقیقات علوم اعصاب دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران
3- استادیار دانشکده مهندسی برق و کامپیوتر دانشگاه تهران، تهران، ایران
چکیده:   (811 مشاهده)

مقدمه: گابا یک انتقال‌دهنده عصبی مهاری کلیدی در دستگاه عصبی مرکزی است که نقش مهمی در کاهش فعالیت نورونی، تنظیم ارتباطات عصبی، کاهش استرس و بهبود کیفیت خواب ایفا می‌کند. دو نوع اصلی از نورون‌های میانجی مهاری، پاروالبومین (PV⁺) و سوماتواستاتین (SST⁺)، در تنظیم پاسخ مغز به محرک‌های حسی، به ‌ویژه بینایی، نقش دارند. با این که اثرات کلی این نورون‌ها مشخص است، اما عملکرد دقیق و ارتباط آنها با سلول‌های پیرامیدال هنوز به‌درستی روشن نشده است. تحلیل کمی این ارتباطات برای رمزگشایی از مدارهای عصبی پیچیده و نیز پیشرفت در درمان بیماری‌های عصبی و طراحی سامانه‌های هوشمند اهمیت بالایی دارد.
روش کار: در این مطالعه از داده‌های مؤسسه   Allenاستفاده شد. با بهره‌گیری از تکنیک پچ‌کلمپ، ویژگی‌های شلیک نورون‌های PV⁺ و SST⁺ در موش‌های ۴۵ تا ۷۰ روزه بررسی شد. حیوانات تحت بیهوشی قرار گرفتند، پرفیوژ شدند و برش‌های مغزی تهیه گردید. سپس از مدل‌های انتگرال و آتش نشتی تعمیم­‌یافته (GLIF) برای شبیه‌سازی رفتار نورونی استفاده شد و این مدل‌ها با داده‌های الکتروفیزیولوژیکی بهینه‌سازی شدند.
یافته‌ها: تحلیل واریانس نشان داد که مدل GLIF₁ قادر به بازتولید ۶۵ درصد از واریانس بود و عملکرد نورون‌های مهاری (۸۲ درصد) بهتر از تحریکی (۶۹ درصد) بود. مدل GLIF₂ با قانون بازنشانی کاهش عملکرد نشان داد. در مدل GLIF₃ با افزودن جریان‌های پساشلیک، واریانس نورون‌های مهاری به ۸۴ درصد رسید. GLIF₄ با بهینه‌سازی بیشتر، عملکرد هر دو نوع نورون را بهبود داد.

نتیجه‌گیری: مدل‌های  GLIF می‌توانند رفتار نورون‌های زیستی را با پارامترهای اندک و دقت بالا شبیه‌سازی کنند. مدل‌های پیچیده‌تر کارآمدترند، اما احتمال بیش‌برازش را افزایش می‌دهند. انتخاب ویژگی‌های کلیدی برای مدل‌سازی موفق ضروری است.
 

متن کامل [PDF 1524 kb]   (61 دریافت)    
نوع مطالعه: پژوهشي اصیل | موضوع مقاله: مدل سازی شناختی، پردازش سیگنال و تصویربرداری مغز
دریافت: 1403/9/20 | پذیرش: 1403/12/14 | انتشار: 1403/12/23

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

طراحی و برنامه نویسی : یکتاوب افزار شرق

Designed & Developed by : Yektaweb